I en studie som publicerats på arXiv undersöktes hur tre språkmodeller hanterar tveksamma förfrågningar om återbetalningar och ersättningskrav när de får se tre liknande fall från det förflutna. För DeepSeek V4.1 Flash, GPT-5.6 Luna och Claude Haiku 5.5 ökade andelen godkännanden med omkring 30 till 55 procentenheter när de registrerade besluten i fallen ändrades från AVSLÅ till GODKÄNN, enligt riktlinjer som forskarna själva hade tagit fram.
Men när DeepSeek och Luna bara fick se omständigheterna i de tidigare fallen godkände de mer sällan när omständigheterna talade för ett godkännande än när de talade för ett avslag. Forskarna säger att samma mönster syntes för nio offentliga riktlinjer som omformulerats från verkliga riktlinjer.
Varför det spelar roll
Organisationer som använder AI för att bedöma återbetalningar eller ersättningskrav bör testa omständigheterna i tidigare fall separat från de registrerade utfallen. Båda kan påverka besluten, och effekten kan gå åt olika håll.
